排序方式： 共有17条查询结果，搜索用时 15 毫秒
11.
地震信号分类——即信号震源类型的分类,尤其是天然地震和人工爆破的分类对于地震目录的清洗和强震实时预警等具有重要意义.本文首先对原始波形信号进行必要的预处理,然后对预处理后的信号进行分帧加窗,对窗内信号采用短时傅里叶变换,将原始波形信号从时域转换成时频域信号,生成时频谱图,每条波形生成一个时频图像;经过反复多次试验比较,将原尺寸时频谱图统一缩放为32×32像素大小的灰度图像,该灰度图像作为卷积神经网络(CNN)的输入,此时的分类效果和计算效率最优.采用以上方法对2010年至2016年发生在河北三河和北京通州等地区,震级为1.5 ～2.8级之间的54个天然地震事件的1674条波形和63个人工爆破事件的1509条波形,采用五折交叉验证法进行分类,得到的平均准确率为97.39％,与传统的支持向量机(SVM)方法和多层感知器(MLP)方法对比,分类准确率有大幅提升,与使用梅尔倒谱系数(MFCC)构建的CNN分类器方法对比,本文方法信噪比更低,分类准确率提高约1.5％.实验结果表明,采用短时傅里叶变换提取地震信号时频域特征,生成时频谱图,使用卷积神经网络对地震信号进行分类具有良好的分类效果. 相似文献
12.
13.
ＩｎｔｒｏｄｕｃｔｉｏｎＷｈｅｔｈｅｒｅａｒｔｈｑｕａｋｅｓｃａｎｂｅｐｒｅｄｉｃｔｅｄｏｒｎｏｔｉｓｓｔｉｌａｐｒｏｂｌｅｍｉｎｃｏｎｔｒｏｖｅｒｓｙｉｎｔｈｅｓｅｉｓｍｏｌｏｇｉｃａｌｃｉｒｃｌｅ．Ａｔａｎｙｒａｔｅ,ｈｏｗｅｖｅｒ,ｐｅｏｐｌ... 相似文献
14.
15.
ＲｅｓｅａｒｃｈｏｎｎｏｎｌｉｎｅａｒＲ／ＳｍｅｔｈｏｄａｎｄｉｔｓｐｐｌｉｃａｔｉｏｎｉｎｅａｒｔｈｑｕａｋｅｐｒｅｄｉｃｔｉｏｎＢｉ－ＱｕａｎＷＡＮＧ（王碧泉）；Ｈａｎ－ＭｉｎｇＨＵＡＮＧ（黄汉明）；Ｈｏｎｇ－ＳｈｕｎＦＡＮ（范洪顺）；Ｃｈｕｅｎ... 相似文献
16.
研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别．首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用upsilon;-SVC支持向量分类机对这3种特征的分类能力进行了外推检验．通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响．结果表明,上述３种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据． 相似文献
17.
BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。 相似文献